天欧黄汉知：基于模型的智能驾驶性能开发和测试方法

除了道路测试，软件模拟也很重要。

车云按：2017年6月21日-22日，由中国安全产业协会、TIAA车载信息服务产业应用联盟与车云网共同主办的2017年中国安全产业峰会暨首届交通安全产业论坛在北京召开。本文系天欧汽车工程软件(上海)有限公司执行总监黄汉知在会上发表的演讲。黄汉知就基于PreScan仿真的智能驾驶性能开发和测试方法和大家进行了探讨。

天欧汽车工程软件(上海)有限公司执行总监 黄汉知

我今天汇报的题目是基于PreScan模型的智能驾驶系统性能开发和测试的方法。主要这几部分内容，首先有三页，介绍一下我们公司，然后会介绍自动驾驶的背景，第三部分、第四部分是今天技术交流主要的内容。

TASS是一家来自于荷兰的公司，公司规模并不大，但是在自动驾驶的工具化测试方面是一家比较专的公司，我是来自于TASS在中国的公司。公司的产品线，跟供应商不一样，我们不做硬件，三个方面，第一个提供仿真软件，第二个提供实验室第三方服务，第三部分我们会做工程开发和咨询的项目。依托在这方面的工具，构成了自动驾驶开发的方法论。我们的愿景，希望在不久将来全球上市的每一辆汽车都有我们开发的工具。

智能驾驶系统开发与测试的挑战

就像刚才马总说的那个问题，现在自动驾驶ADAS，智能网联这个话题铺天盖地，以谷歌为例，在美国做了非常多的路试，但是不可能穷尽测试工况，要上市就要解决这个矛盾。把这个矛盾细化一下，可以从这几个方面考虑，第一个测试的里程当然很重要，但是经历的工况多少更重要。开了一天，我是希望系统出问题，不是希望系统不出问题，出问题好优化，优化了第二天做了算法具体调试之后希望能够重现，但是在道路上更多是主观测试，缺乏真值：这个目标在什么地方，是什么状态，都不知道；最后有些工况可能很危险，测试的人对这些问题深有体会，这也是开发者的困难挑战。

 

今天我带来的这个基于模型的方法，目的不是为了取代路试这种方法，而是希望尽量缩短开发的过程，提高产品的性能。这里面核心工具就是这个仿真软件，PreScan支撑我们常见的所有基于摄像头、毫米波雷达、激光雷达这些技术的智能网联汽车功能仿真工具。仿真永远不可能跟真实数据百分百吻合，但有一个巨大优势，可以定制测试工况，能够提供真值，提供大规模工况自动计算评估的手段，可以充分的弥补路试的缺点。

今天既然说PreScan，这个软件对这四个部分分别进行建模仿真：工况，传感器，算法，执行机构。工况这边有元素库，传感器有常见的市面上传感器的框架模型，算法通过Simulink这个平台导入，不管是什么格式的开发工具开发出来的代码，这个也是被开发被测试的对象，这不是PreScan软件提供的。最后是车辆动力学部分，车辆纵向加速减速，横向的运动，通过车辆动力学来描述。

开发和测试方法论：基于模型的仿真方法

进入到开发和测试的方法论介绍，这里面有个论点，之之前中间这条线来说，我个人认为要开发一个自动驾驶的系统，必然要经历软件仿真、硬件在环仿真、车辆在环仿真，再到我们室内的实验室测试，到室外的受控场地的测试，最后再到公共道路大规模的道路测试，这是正向开发方法。正向开发方法每一个阶段都很重要，我们试图用一些案例介绍，这些案例可能不全，但是抛砖引玉，激发大家的思路。

PreScan虚拟仿真SiL

第一个阶段纯软件的仿真，就像马总刚才说的，测试工况对任何一个系统来讲可能是几千个案例，几万个案例，还是几十万个案例，谁的测试工况越多越全，谁的测试就越充分。工况有很多来源。我们做这个项目，工况的来源是欧洲的事故数据GIDAS，路上实际发生伤亡事故发生前5秒，加害者和被害者都做了什么，都是有冲突极具价值的工况，目前有几万起，北欧这家以安全著名的OEM花了这么多精力开发众多的ADAS了系统，究竟对减轻和避免事故有什么好处？就可以通过这种完整的模型计算来回答。

当然GIDAS数据我们是没有，但是PreScan这个软件提供一个转换接口，自动把GIDAS数据转换成虚拟工况模型，做到虚拟测试。在中国是CIDAS，去年北汽用CIDAS事故数据做为测试场景工况，发表了一篇论文，获得中国汽车工程学会安全分会的最佳论文奖。

给大家介绍一下大规模工况的概念，以ACC为例，典型的工况之一就是cut-in，其中有很多变量，我们随便看几个变量组合一下，你就可以发现，一个工况可能延伸出60万变化种，这很显然在路上是很难做到的，但是仿真很容易做到大规模快速的计算。这是这个思路。

另外一个案例我们说评价ACC的性能非常重要的一个参数就是加速减速过程的舒适不舒适，舒适不舒适与什么相关呢？可能与雷达检测的延迟有关系，也可能与算法参数标定有关系，也可能与执行器响应性能关系，也可能与底盘动力学性能有关系，要定量分析，四个参数都要做一个敏感性的分析，这个是路上很难做到的，但是在模型计算中很容易实现。

另外一个案例就是设计光学系统的时候，比如说摄像头，四个范畴的参数，光学、成像、算法、安装位置，要实现好的性能有很多种参数组合，要想找出最优参数组合，通过硬件来评估，费时费力，通过仿真分析更高效。

另外一个新的工具给大家带来叫分割传感器segmentation sensor，做人工智能算法非常重要的一个分支就是做语义分割，把周边的环境、道路、人、车分割出来，这样用它的真值训练你的算法，第二个可以比对你的算法计算结果。这个视频中，我们用PreScan软件自动生成5000多辆不同类型、角度、遮挡等的车的素材库，这个库还提供真值，可以用真值训练，这是它的好处：节省了你采数据和标注的时间，但也有缺点，跟真实世界的真实度存在差异。这是我们TASS上周刚推出的功能，非常希望跟做人工智能的公司一起合作测试。

PreScan硬件在环台架HiL

接下来进入HiL的技术环节。当然摄像头看屏幕这是大家都非常熟悉的HIL方式，技术非常成熟，缺点是受到显示器显示能力的物理局限的限制，非常适合做上层算法开发，不适合做环境感知。我们试图把这个限制克服掉，不要用投影，直接把数字视频发给摄像头ECU图象处理的芯片。这种方案有两个技术要求，第一个要求既然跨过了光学元件和成像元件，那这二者的模型一定要精准，不能有误差，需要用到PreScan的摄像头物理模型。第二个视频转换板是定制的。两个技术难点在这。

这是我们目前即将交付的的HiL项目，我们看到，在车上用了很多摄像头、毫米波雷达、超声波探头、激光扫描雷达，客户的目的是要实现较高级别的自动驾驶。在试验室里，通过HiL硬件在环的方式，要把这些功能都实现。目的是开发控制器里的数据融合、控制决策算法，这相比路测是一个很高效的办法，在办公室就可以实行的开发平台。

PreScan车辆在环台架ViL

另一个ViL车辆在环的项目，我们客户是OEM，在乎的是要有高效的开发工具，高效的测试工具，系统怎么测。比如以前测ACC系统，两个人拿对讲机，一位工程师开ACC的主车，以为工程师开目标车，试图实现想要测试的工况，做一天下来发现大部分工况不是他想要的，因为人很难精准实现，这导了致效率问题。使用ViL台架能够提高效率，这是一段示例视频：这看到这个实验其实是在动态广场，这个是弯道工况，两辆目标车在弯道前端行驶，是非常典型的ACC测试工况，这个系统应该跟随蓝车，但有时候因为雷达的原因，动态判定的原因误跟随了红车，弯道跟随了右侧的红车，蓝车减速的时候没有正常的反应，可以看到最后系统ACC和AEB功能都介入了，但并没有避免碰撞。这个是例子。

室内主动安全试验室VeHIL

我们进入到室内的测试环节，我们在荷兰有一个VeHIL安全实验室，用受控的机器人车辆代表室外的交通参与者，在室内做一些测试，左侧是ACC的工况示意，右侧是VeHIL试验室中如何实现这个工况。他的优点是：工况可以定制，可以是重复的，测试效率高一天可以测几百个。但有一个缺点，被测车不能转向。同时，实验室也可以做雷达目标检测性能的对标，把机器人车的轨迹状态记下来，再把雷达检测结果记下来，一比，就知道雷达检测结果错误、误差在哪儿。

仿真方法的技术难点： 模型的物理化和精度

如上所述，基于仿真的开发方法有很多的优点，能够带来开发和测试的便利，提高自动驾驶和智能网联系统的开发效率。但是，仿真的结果高度依赖于模型的精确度。为了提高模型的质量，我们在其中做了很多工作，稍微举几个例子看看我们做了哪些事情：第一个测试工况不同于游戏效果，不追求视觉的“炫”，而追求对传感器的响应特性。比如说下午逆光对摄像头成像有影响，对路面和车道线的对比度有影响，我们试图去重现。晚上的情况，照明比较复杂，中国人特别喜欢开远光灯，模型中也最大程度的逼近这种效果。毫米波雷达对天气不是特别敏感，但是也有衰减特性。举个例子，在模型中设置不同的天气，都有对毫米波能量的衰减特性在里面。这是环境模型的方面。

传感器模型方面，我们看摄像头传感器。我们知道，基本摄像头模型通过设计参数可以得到基本的模型，实际上还有一个进阶版的模型，从光源、传播路径、目标的纹理材质和反射特性，反射回的光线传播媒介的衰减，再进入光学器件和成像器件，每个环节都需要建模。当然为了建模，所需要的输入参数比较多。从光源的辐射图谱，光源特性，目标的纹理材质和反射特性，再到环境光谱的特性，光学器件的参数，包括MTF、分辨率、畸变等等，再到成像器件：色彩滤波，到后面像素的分布、光电转换，包括AD转换、噪声模型，在这里面一一都可以涵盖到，我不再详细深入到每个细节。

毫米波雷达也是一样，基本的模型可以输出距离、相对速度和角度的误差模型。红色是雷达原安装点，黑色的点是试验检测结果，红色的点是模型的结果，也是有检测性能的模型尽量逼近这个实际的误差特性。除此之外，雷达还有很多缺陷，正检测就不说了，还有漏检测，还有误检测：地面上什么也没有，不存在目标，但雷达报告了目标检出；然后噪声，刚才也说过。目标的散列，一个车被报告出三个目标，还有延迟，因为目标刚进入我的视场，检测方面会有延迟。这些都有分布的模型，在PreScan当中，把这种缺陷性能分布的模型已经集成在里面。

今天我详述PreScan的所有功能，举了一些实际的案例。最后，还是我今天主要的观点，不管是路试的方法还是仿真的方法，都有优点和缺点，需要互相有机的结合，帮助尽量快的开放自动驾驶和智能网联系统。

最后的结论是这样：

从仿真，到硬件在环HiL，再到车辆在环ViL，最后到试验室测试、场地测试、道路路试等各阶段的开发和测试的手段，构成了正向开发的方法；过去都是系统做出来了之后直接上路，测试之后发现还有缺陷，还是要返工，这是一种费时费力的试错方法，希望能够用基于模型的开发方法来取代。这其中核心的工具是PreScan软件，PreScan是一个强大的工具，大家可以试一试。